張增

摘? ?要：隨著機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展，計算機(jī)輔助診斷已經(jīng)成為臨床醫(yī)療的重要支撐，在脊椎病變識別中廣泛應(yīng)用。然而，脊椎圖像具有邊緣模糊、多病變特征難以表達(dá)和區(qū)分度不明顯的特點(diǎn)，使得脊椎多病變分類難以取得理想效果。因此，文章研究的脊椎圖像預(yù)處理與特征提取方法具有理論指導(dǎo)意義和臨床實(shí)用價值。

關(guān)鍵詞：脊椎圖像;醫(yī)學(xué)圖像預(yù)處理;特征提取

1? ? 脊椎圖像

脊椎病變嚴(yán)重危害人們的健康。隨著各種影像設(shè)備在脊椎病變診斷中的廣泛使用，對病人檢查所產(chǎn)生的醫(yī)學(xué)圖像信息量也越來越龐大，面對如此海量的醫(yī)學(xué)圖像信息，如果僅依靠醫(yī)生通過肉眼來觀察脊椎CT圖像，很難準(zhǔn)確地識別病變部位和性質(zhì)，并且依靠影像進(jìn)行診斷非?？简?yàn)醫(yī)生的經(jīng)驗(yàn)和水平。不同的醫(yī)生由于臨床經(jīng)驗(yàn)的不同，在觀察同一張脊椎CT圖像可以得到的信息量也不同，最終得到的診斷結(jié)果也會有差異，存在一定的個人主觀性，有可能產(chǎn)生漏診或者誤診。如何提高診斷準(zhǔn)確率和工作效率，實(shí)現(xiàn)診斷更加高效和科學(xué)，成為研究脊椎病變計算機(jī)輔助診斷的重要意義。脊椎圖像如圖1所示，其中，圖1（a）表示正常脊椎骨，圖1（b）表示脊椎骨折。

2? ? 醫(yī)學(xué)圖像預(yù)處理

醫(yī)學(xué)圖像預(yù)處理的目的是獲得更好的圖像處理效果，以便對醫(yī)學(xué)圖像采取各種處理措施，消除無用信息的同時恢復(fù)真實(shí)有用的信息，一般包括醫(yī)學(xué)圖像分割、去噪和增強(qiáng)等措施。對醫(yī)學(xué)圖像進(jìn)行預(yù)處理工作，一方面，可以消除醫(yī)學(xué)圖像中噪聲，并增強(qiáng)圖像紋理效果，實(shí)現(xiàn)提高圖像質(zhì)量的目的。另一方面，減少了醫(yī)務(wù)人員對圖像細(xì)節(jié)進(jìn)行識別和分析處理的難度，有利于他們運(yùn)用醫(yī)學(xué)圖像進(jìn)行準(zhǔn)確分析和診斷，大大提升了醫(yī)學(xué)圖像分類的效率以及準(zhǔn)確性。

2.1? 醫(yī)學(xué)圖像分割

隨著醫(yī)學(xué)影像的快速發(fā)展，作為圖像處理技術(shù)的重要組成部分，圖像分割在醫(yī)學(xué)圖像的研究與應(yīng)用中發(fā)揮越來越重要的作用。圖像分割就是預(yù)測圖像中每一個像素所屬的類別或者物體。圖像分割有兩個子問題：（1）僅預(yù)測類別層面的分割，對每個像素標(biāo)出一個位置。（2）區(qū)分不同物體的個體，圖像分割的研究多年來一直受到人們的高度重視，至今提出了各種類型的分割算法。目前最常用的圖像分割方法主要包括基于閾值的分割方法、基于區(qū)域的分割方法、邊緣分割方法、深度圖像分割、彩色圖像分割、邊緣檢測和以及基于特定理論的分割方法等[1]。

2.2? 醫(yī)學(xué)圖像去噪

最初采集到的原始醫(yī)學(xué)圖像大多數(shù)都是含噪圖像，這些噪聲的存在對醫(yī)學(xué)圖像分析與處理的影響很大，一定程度上增加了醫(yī)務(wù)人員對圖像細(xì)節(jié)進(jìn)行識別和分析處理的難度。如果不能及時進(jìn)行圖像去噪，原始圖像中的噪聲會在之后特征提取和圖像增強(qiáng)中進(jìn)一步延續(xù)和放大，對醫(yī)務(wù)人員的正常診斷造成更加嚴(yán)重的干擾，一定程度上造成誤診率上升。因此，有必要選擇合適的圖像去噪技術(shù)對醫(yī)學(xué)圖像進(jìn)行預(yù)處理，消除或減少圖像中的噪聲，以降低對醫(yī)學(xué)圖像增強(qiáng)、分割和特征提取等后續(xù)圖像處理過程的不利影響。

在醫(yī)學(xué)圖像去噪領(lǐng)域，平滑技術(shù)是目前最常用的技術(shù)，包括空間域去噪法和頻域去噪法兩大類別。（1）空間域去噪法：指通過采用不同圖像平滑模板對原始圖像進(jìn)行卷積處理，在醫(yī)學(xué)圖像平面上修改灰度，達(dá)到抑制或消除噪聲的目的，主要包括高斯濾波、算術(shù)均值濾波和中值濾波。（2）頻域去噪法：指通過對圖像進(jìn)行變換后，選用適當(dāng)?shù)念l率帶通濾波器進(jìn)行濾波，經(jīng)反變換后獲得去噪圖像，主要包括小波變換和基于稀疏變換去噪[2]。

2.3? 醫(yī)學(xué)圖像增強(qiáng)

醫(yī)學(xué)圖像在產(chǎn)生、傳輸和存儲過程中，由于受光源、成像系統(tǒng)等各種復(fù)雜因素的影響，不可避免地會導(dǎo)致出現(xiàn)不同程度地清晰度下降、對比度偏低和包含噪聲等降質(zhì)現(xiàn)象。為了便于后續(xù)分析與處理，一般采用圖像恢復(fù)（或復(fù)原）和圖像增強(qiáng)兩種技術(shù)提高圖像質(zhì)量，其中，圖像增強(qiáng)技術(shù)在圖像處理領(lǐng)域中的應(yīng)用非常廣泛[3]。所謂的圖像增強(qiáng)技術(shù)一般指根據(jù)圖像特點(diǎn)和處理目的加強(qiáng)圖像的整體或局部特性，很好地保留了圖像邊界和結(jié)構(gòu)信息以及突出圖像中的某些性質(zhì)等，提高了圖像的可判讀性，改善了圖像質(zhì)量，同時，使得圖像變得清晰，便于醫(yī)務(wù)人員分析醫(yī)學(xué)圖像，并從中獲得更多有價值的信息。

3? ? 脊椎圖像特征提取

圖像特征提取算法是圖像處理和分析的重要環(huán)節(jié)，是模式識別領(lǐng)域的一個重要研究領(lǐng)域[4]。所謂的圖像特征一般指圖像有別于其他類型圖像的特性或者屬性，包括圖像的顏色、紋理、形狀和空間關(guān)系特征等4個方面。其中，紋理特征是一種描述圖像或者其所在區(qū)域?qū)?yīng)圖像像素的灰度空間分布特征的一種全局特征，被廣泛用于圖像分類、目標(biāo)識別和視頻分類等研究領(lǐng)域。由于從圖像中所提取的特征能準(zhǔn)確描述圖像本質(zhì)的、重要的特征，因而圖像特征提取的質(zhì)量直接影響到圖像分類結(jié)果的準(zhǔn)確與否。

3.1? 紋理特征

紋理特征是一種反映圖像中同質(zhì)現(xiàn)象的視覺特征，刻畫了圖像中重復(fù)出現(xiàn)的局部模式與其排列規(guī)則，一定程度上反映了圖像或圖像區(qū)域所對應(yīng)物體表面的特性，具有旋轉(zhuǎn)不變性以及良好的抗噪性能，廣泛應(yīng)用于圖像分類、目標(biāo)識別和場景識別等研究領(lǐng)域。

3.2? 脊椎圖像紋理特征提取方法

本文中使用的是20世紀(jì)70年代初由Haralick等提出的灰度共生矩陣（Gray Level Co-occurrence Matrix，GLCM），GLCM是關(guān)于像素距離和角度的矩陣函數(shù)，計算圖像中一定距離和一定方向的兩點(diǎn)灰度之間的相關(guān)性，是一種通過研究灰度的空間相關(guān)特性來分析圖像紋理特征的經(jīng)典二階統(tǒng)計法，在脊椎病變分類的實(shí)際應(yīng)用中取得了良好的效果[5]。

圖像的灰度矩陣反映圖像視覺信息，而灰度共生矩陣則反映灰度圖像方向、相鄰間隔和變化幅度的綜合信息。Haralick等定義了包括角二階矩、對比度和相關(guān)性等在內(nèi)的14個用于紋理分析的灰度共生矩陣特征參數(shù)。為了能從更直觀的角度觀察共生矩陣描繪圖像的紋理特點(diǎn)，本文主要考慮以下4個特征值。

（1）角二階矩（Angular Second Moment，ASM）：也稱為能量，是通過計算灰度共生矩陣各元素的平方和求得的，是用來表征圖像灰度分布均勻性和紋理粗細(xì)程度的一個度量。當(dāng)共生矩陣組成元素之間的取值相差很小時，則ASM值較大，表示圖像紋理細(xì)致且均勻。相反，如果共生矩陣組成元素之間的取值相差較大，則ASM值很小，表示圖像紋理變化不規(guī)則、表面粗糙。

（2）逆差矩（Inverse Different Moment，IDM）：反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化的多少。其值大，則說明圖像紋理的不同區(qū)域間缺少變化，局部非常均勻。

（3）相關(guān)度（Correlation，COR）：用來表征共生矩陣在行或者列方向上的相似程度，是灰度線性關(guān)系的度量。

（4）對比度（Contrast，CON）：通過主對角線的慣性矩來反映圖像灰度的局部變化或分布情況，度量了圖像中紋理的溝紋深淺程度。當(dāng)對比度取值越大時，圖像的紋理越清晰;相反，當(dāng)對比度取值較小，導(dǎo)致局部變化并不顯著，紋理效果較為模糊。

本文采用灰度共生矩陣求解脊椎椎骨的紋理特征，其中，F(xiàn)rec，F(xiàn)ecc，F(xiàn)ccn和Fcon分別表示脊椎椎骨的灰度共生矩陣特征參數(shù)逆差矩、角二階矩、相關(guān)度和對比度。正常脊椎、楔形骨折、壓縮骨折分別用0，1和2表示。令圖像的像素間隔為1，方向?yàn)?°，得到的脊椎椎骨的灰度共生矩陣特征參數(shù)如表1所示。

4? ? 結(jié)語

常用的醫(yī)學(xué)圖像的預(yù)處理的主要步驟，包括醫(yī)學(xué)圖像去噪、增強(qiáng)和分割等，其主要目的是去除圖像中無關(guān)的信息，提高脊椎圖像的質(zhì)量。提取圖像自身所蘊(yùn)含的特征是分類識別的前提，也是醫(yī)學(xué)圖像處理與分析領(lǐng)域復(fù)雜而關(guān)鍵的步驟之一，直接影響到脊椎圖像分類的最終結(jié)果。

本文以脊椎骨折病變?yōu)橹饕芯繉ο?，首先，針對脊椎CT圖像對比度低、邊緣模糊的問題，通過圖像去噪、圖像增強(qiáng)和圖像分割的處理，得到椎骨體區(qū)域。其次，提取脊椎圖像紋理特征，全面量化脊椎病變特征。

[參考文獻(xiàn)]

[1]CHOI C，TREVOR A J B，CHRISTENSEN H I.RGB-D edge detection and edge-based registration[C].Tokyo：IEEE/RSJ International Conference on Intelligent Robots and Systems，2014.

[2]SONG Y Q，LIU B，XIE J.Medical image texture features classification based on Gabor wavelet transform[J].Computer Engineering，2010（11）：200-202.

[3]TANG J，LIU X，SUN Q.A direct image contrast enhancement algorithm in the wavelet domain for screening mammograms[J].IEEE Journal of Selected Topics in Signal Processing，2009（1）：74-80.

[4]FERNANDO B，F(xiàn)ROMONT E，MUSELET D，et al.Discriminative feature fusion for image classification[C].Providence：Computer vision and pattern recognition，2012.

[5]MANIVANNAN K，AGGARWAL P，DEVABHAKTUNI V，et al.Particulate matter characterization by gray level cooccurrence matrix based support vector machines[J].Journal of Hazardous Materials，2012（5）：94-103.

Abstract：With the rapid development of machine learning technology， computer-aided diagnosis has become an important support for clinical medicine， and is widely used in the recognition of spinal lesions. The classification of multiple lesions of the spine is difficult to achieve ideal results because of the problem that it is difficult to express spine image and the degree of discrimination is not obvious of spine image. Therefore， this paper study of preprocessing and feature extraction of spine image has value of theoretical guidance and clinical practical.

Key words：spine image; medical image preprocessing; feature extraction